第5章医学图像分类_PPT课件

D k w p ( G d p M d p ( k ) ) d 2 w T 1 ( G T 1 M T 1 ( k ) ) 2 w T 2 ( G T 2 d M T 2 ( k ) ) 2
其中 Dk表示像素与第k类聚类中心的距离,(k=1,2,..,5) ； GPd，GT1，GT2是分别从三幅加权象中读取的该像素空间位置的灰度值; MPd(k)，MT1(k)，MT2(k)是三幅加权象中五种组织的均值； WPd，WT1，WT2 是每幅图像的权重。
MR图像中人脑组织灰度分布
从MRI各解剖区域的划分情况来看，同一解剖结构所对应的灰度值并不 唯一, 而是在一定的区间内呈正态分布，灰、白质间，灰质、脑脊液间的 灰度分布曲线都有部分交叉，因而利用简单的设定灰度阈值的方法显然 不可能准确的划分不同结构 。
5.1 单谱MR图像分割
如果只有一幅MR图像，可将图像的原始灰度 值与该图像的某一个特征参量构成二维特征空间 进行聚类分析，实现对人体组织分类的目的。
30000 25000 20000 15000 10000
5000 0 B CGWX
参考分类图
加 权 Pd-T1T2分 类 图
加权的Pd-T1-T2分类图，右图是分类结果与参考分类图的比较 B：背景；C：脑脊液；G：灰质；W：白质；X：皮层
Pd-T1-T2多谱分类图效果明显优于上面两幅加权象生成的分类 图结果，已经与参考分类图相当接近。
医学图像分类（Classification）与分割（Segmentation） 二者具有相近含义，有时很难严格区分。
本书把它们作为两个独立的章节介绍是考虑到 “分割”一词更强调几何形态方面的操作，而分类往 往还给出明确的解剖标识。
因此，第4章的内容偏重在图像几何形态处理的算 子和算法，第5章则介绍一些面向医学应用的实用算法。 在以下的叙述中，我们并不刻意对“分割”与“分类” 加以区分，因为大多数文献对二者也是经常混用的。 只是在强调解剖标识时才使用“分类”一词。
对单谱图像进行自动分类识别时借助图像特 征提取的方法,从原始图像中提取不同纹理特征作 为特征参量。
基于纹理相似度的区域分割方法的一般原理 为: 从图像原始数据出发, 计算出其纹理的二阶统 计参数分量图像, 并与原始灰度图像构成多维特征 空间进行分类及计算相关隶属概率。
基于像素分类概率的迭代分类
表5.1 五种组织在各分类图中所占像素数与总像素数的百分比
Background
参考分类
40.62%
T1-T2分类
40.86%
Pd-T1分类
44.86%
Pd-T2分类
51.34%
Pd-T1-T2分类
44.20%
加权Pd-T1-T2分类 42.70%
C.S.F Graymatter Whitematter 3.51% 27.96% 22.18% 1.52% 31.22% 20.55% 18.78% 12.00% 18.53% 1.73% 17.52% 27.19% 1.87% 27.53% 20.64% 1.69% 28.17% 21.69%
通过人工选定初始点，计算各种组织的均值，形成初始聚类中 心，例如对人脑的几种重要生物组织：灰质(Grey matter)，白质 (White matter)，皮层(Cortex)，脑脊液(CSF) 以及图像背景 (Background)分类。在聚类分析中采用K近邻法，对选定图像的像素 逐点进行分析。每次迭代过程对聚类中心进行校正，直到各类中心 保持稳定为止。
由于计算机断层成像存在部分体积效应 的特点,而且初始聚类图像也不能把不同的区 域清楚地划分开，尤其边界处像素的归属难 以确定，只能采用连续的“隶属度函数值” 表示。利用松弛迭代法可以得到像素关于各 类别隶属概率的图像。
Peleg松弛迭代分类算法
第1步：根据Bayes准则对各类组织计算初始概率, (n=0)
原始的多谱MR图像，从左向右依次分别为 Pd，T1和T2加权象
30000 25000 20000 15000 10000
5000 0 B C GWX

参考分类图 T1-T2分类图
T1-T2多谱分类图，右图是分类结果与参考分类图的比较 B：背景；C：脑脊液；G：灰质；W：白质；X：皮层
T1和T2加权象的多谱分类结果：与参考分类图相比较：CSF 和 灰质的误分辨较多，特别是脑室区的灰质分辨较差。对白质和皮 层的分辨基本可以满意。
()
sin,i()
pin1()8 1 qin,i( )
第4步：n=n+1,重复第3步,直至收敛条件满足。
通常,图像的每一项特征参数只描述了它 在某一方面的特征, 因而将几种特征参数组合 起来考虑,构成多维特征空间进行聚类分析可 能达到较好的分类效果。
除了对二维空间中区域划分外，还可以将 几个参数以1:1:…1:1的权重分别组合构成三维、 四维、五维特征空间, 仍然按照以上方法进行 图像的聚类分析。
5.2 多谱图像分析
多谱图像这个词最初来源于卫星遥感技术。卫星对地面上同一 区域采用不同波长的光，拍摄多幅图像，利用地面上的不同物质对 不同波长光选择性吸收的原理来探测地表情况、地下矿藏等。
医学上的多谱图像是指在同一时间获取的同一个人相同解剖结 构的Pd，T1，T2加权象，各个加权象能从不同方面描述不同组织的 物理特性以及生物特性。
从多幅图像得到的信息显然多于单幅图像，其分类的结果自然 会优于单幅图像的分类结果。
例如,可以将人脑MR图像（T1、T2和Pd）两两组合，分别构成 二维空间，或将三幅图像一起分析（三幅图像的加权比例为1：1： 1），或用不同加权比对三幅图像一起分析（三幅图像的加权比例为 WPd：WT1：WT2）。
Pd，T1和T2不同加权距离公式如下式所示：
pi0()p(|xi) p(px(ix|i| )p )(p ( ))
第2步：计算相容系数 （８－邻域）
ri,i(,)ppi(,i)(p (,))
第3步：重新计算各像素的类别概率pin(λ)
s i n ,i ()p i n ()p n j() r i,i (,)
qin,i()
sn i,i